Analysis of least absolute deviation
最小绝对偏差分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以最小绝对偏差开展推断，并指出主要结果可扩展至一般分位数回归，直接对应分位数与分布效应方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
最小绝对偏差分析
- 研究问题
- 如何建立基于绝对偏差损失的统一线性假设检验，使其具有坐标不变性，并能处理奇异设计矩阵与异质误差？
- 方法与思路
- 作者构造基于 L1 的方差分析式检验，以随机扰动近似临界值，并借助标准线性规划计算统计量及分布近似。
- 材料陈述的贡献
- 摘要称，方法允许奇异设计和异质误差，给出渐近理论及方差、协方差分析特例，主要结果还可扩展至一般分位数回归。
- 阅读关注点
- 应核对线性变换不变性的含义、奇异设计下可检验的假设、随机扰动有效性，以及向一般分位数回归扩展的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；误差条件、临界值近似细节及分位数扩展范围未说明，不能推断刊本变化。
原文摘要
We develop a unified L1-based analysis-of-variance-type method for testing linear hypotheses. Like the classical L2-based analysis of variance, the method is coordinate-free in the sense that it is invariant under any linear transformation of the covariates or regression parameters. Moreover, it allows singular design matrices and heterogeneous error terms. A simple approximation using stochastic perturbation is proposed to obtain cut-off values for the resulting test statistics. Both test statistics and distributional approximations can be computed using standard linear programming. An asymptotic theory is derived for the method. Special cases of one- and multi-way analysis of variance and analysis of covariance models are worked out in detail. The main results of this paper can be extended to general quantile regression. Extensive simulations show that the method works well in practical settings. The method is also applied to a dataset from General Social Surveys.